🚀 Qwen3-8B的Llamacpp imatrix量化版本
本项目使用 llama.cpp 版本 b5200 对Qwen3-8B模型进行量化。该项目旨在提供不同量化级别的Qwen3-8B模型,以满足不同硬件和性能需求。
基本信息
属性 |
详情 |
量化者 |
bartowski |
任务类型 |
文本生成 |
许可证 |
apache-2.0 |
基础模型 |
Qwen/Qwen3-8B |
基础模型关系 |
量化版本 |
原模型链接
Qwen/Qwen3-8B
🚀 快速开始
所有量化模型均使用imatrix选项和来自此处的数据集生成。你可以在以下环境中运行这些量化模型:
提示词格式
<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant
📦 安装指南
使用huggingface-cli下载文件
首先,确保你已经安装了huggingface-cli:
pip install -U "huggingface_hub[cli]"
然后,你可以指定要下载的特定文件:
huggingface-cli download bartowski/Qwen_Qwen3-8B-GGUF --include "Qwen_Qwen3-8B-Q4_K_M.gguf" --local-dir ./
如果模型大小超过50GB,它会被分割成多个文件。要将它们全部下载到本地文件夹,请运行:
huggingface-cli download bartowski/Qwen_Qwen3-8B-GGUF --include "Qwen_Qwen3-8B-Q8_0/*" --local-dir ./
你可以指定一个新的本地目录(如Qwen_Qwen3-8B-Q8_0),也可以将它们全部下载到当前目录(./)。
💻 使用示例
下载文件选择
嵌入/输出权重说明
部分量化模型(如Q3_K_XL、Q4_K_L等)采用标准量化方法,将嵌入和输出权重量化为Q8_0,而非默认值。
ARM/AVX信息
以前,你会下载Q4_0_4_4/4_8/8_8文件,这些文件的权重会在内存中交错排列,以便在ARM和AVX机器上通过一次加载更多数据来提高性能。
现在,有了所谓的“在线重新打包”权重功能,详情见 此PR。如果你使用Q4_0,并且你的硬件能从重新打包权重中受益,它将自动实时进行。
从llama.cpp版本 b4282 开始,你将无法运行Q4_0_X_X文件,而需要使用Q4_0。
此外,如果你想获得稍好的质量,可以使用IQ4_NL,感谢 此PR,它也会为ARM重新打包权重,不过目前仅支持4_4。加载时间可能会变慢,但总体速度会提高。
如何选择文件
点击查看详情
Artefact2在 此处 提供了一篇很棒的文章,配有图表展示各种性能。
首先,你需要确定你能运行多大的模型。为此,你需要了解你有多少内存(RAM)和/或显存(VRAM)。
如果你希望模型运行得尽可能快,你需要将整个模型放入GPU的显存中。选择文件大小比GPU总显存小1 - 2GB的量化模型。
如果你追求绝对最高质量,将系统内存和GPU显存相加,然后选择文件大小比该总和小1 - 2GB的量化模型。
接下来,你需要决定是使用“I量化”还是“K量化”。
如果你不想考虑太多,选择K量化模型。它们的格式为'QX_K_X',如Q5_K_M。
如果你想深入了解,可以查看这个非常有用的特性图表:
llama.cpp特性矩阵
但基本上,如果你目标是Q4以下的量化级别,并且你使用cuBLAS(Nvidia)或rocBLAS(AMD),你应该考虑I量化模型。它们的格式为IQX_X,如IQ3_M。这些是较新的模型,在相同大小下提供更好的性能。
这些I量化模型也可以在CPU上使用,但比相应的K量化模型慢,所以你需要在速度和性能之间做出权衡。
🔧 技术细节
Q4_0_X_X信息(已弃用)
点击查看Q4_0_X_X信息(已弃用)
我保留这部分内容是为了展示使用带有在线重新打包功能的Q4_0在理论上可能的性能提升。
点击查看AVX2系统(EPYC7702)上的基准测试
模型 |
大小 |
参数 |
后端 |
线程数 |
测试类型 |
令牌/秒 |
与Q4_0相比的百分比 |
qwen2 3B Q4_0 |
1.70 GiB |
3.09 B |
CPU |
64 |
pp512 |
204.03 ± 1.03 |
100% |
qwen2 3B Q4_0 |
1.70 GiB |
3.09 B |
CPU |
64 |
pp1024 |
282.92 ± 0.19 |
100% |
qwen2 3B Q4_0 |
1.70 GiB |
3.09 B |
CPU |
64 |
pp2048 |
259.49 ± 0.44 |
100% |
qwen2 3B Q4_0 |
1.70 GiB |
3.09 B |
CPU |
64 |
tg128 |
39.12 ± 0.27 |
100% |
qwen2 3B Q4_0 |
1.70 GiB |
3.09 B |
CPU |
64 |
tg256 |
39.31 ± 0.69 |
100% |
qwen2 3B Q4_0 |
1.70 GiB |
3.09 B |
CPU |
64 |
tg512 |
40.52 ± 0.03 |
100% |
qwen2 3B Q4_K_M |
1.79 GiB |
3.09 B |
CPU |
64 |
pp512 |
301.02 ± 1.74 |
147% |
qwen2 3B Q4_K_M |
1.79 GiB |
3.09 B |
CPU |
64 |
pp1024 |
287.23 ± 0.20 |
101% |
qwen2 3B Q4_K_M |
1.79 GiB |
3.09 B |
CPU |
64 |
pp2048 |
262.77 ± 1.81 |
101% |
qwen2 3B Q4_K_M |
1.79 GiB |
3.09 B |
CPU |
64 |
tg128 |
18.80 ± 0.99 |
48% |
qwen2 3B Q4_K_M |
1.79 GiB |
3.09 B |
CPU |
64 |
tg256 |
24.46 ± 3.04 |
83% |
qwen2 3B Q4_K_M |
1.79 GiB |
3.09 B |
CPU |
64 |
tg512 |
36.32 ± 3.59 |
90% |
qwen2 3B Q4_0_8_8 |
1.69 GiB |
3.09 B |
CPU |
64 |
pp512 |
271.71 ± 3.53 |
133% |
qwen2 3B Q4_0_8_8 |
1.69 GiB |
3.09 B |
CPU |
64 |
pp1024 |
279.86 ± 45.63 |
100% |
qwen2 3B Q4_0_8_8 |
1.69 GiB |
3.09 B |
CPU |
64 |
pp2048 |
320.77 ± 5.00 |
124% |
qwen2 3B Q4_0_8_8 |
1.69 GiB |
3.09 B |
CPU |
64 |
tg128 |
43.51 ± 0.05 |
111% |
qwen2 3B Q4_0_8_8 |
1.69 GiB |
3.09 B |
CPU |
64 |
tg256 |
43.35 ± 0.09 |
110% |
qwen2 3B Q4_0_8_8 |
1.69 GiB |
3.09 B |
CPU |
64 |
tg512 |
42.60 ± 0.31 |
105% |
Q4_0_8_8在提示处理方面有不错的提升,在文本生成方面有小幅度提升。
📄 许可证
本项目采用apache-2.0许可证。
致谢
感谢kalomaze和Dampf在创建imatrix校准数据集方面提供的帮助。
感谢ZeroWw在嵌入/输出实验方面提供的灵感。
感谢LM Studio对我工作的赞助。
如果你想支持我的工作,请访问我的ko-fi页面:https://ko-fi.com/bartowski